基于贝叶斯网络和风险矩阵的港口水污染风险评估方法

技术领域

本发明属于交通运输工程领域，具体涉及一种基于贝叶斯网络和风险矩阵的港口水污染风险评估方法。

背景技术

随着航运事业的快速发展，通航船舶交通流日趋繁忙，由水上交通事故引起的环境污染事件时有发生。港口作为水陆联运的交通枢纽，是船舶靠泊、货物转运等活动的重要场所。由于港口水域特殊的水文地形条件，污染事件一旦发生，可能会在极短时间内造成大范围的迁移扩散，对港口海洋生态系统产生负面效应。

发明内容

本发明的目的在于，提供一种基于贝叶斯网络和风险矩阵的港口水污染风险评估方法，解决了港口水域环境污染风险评估中，贝叶斯网络建立困难、难以兼顾事故后果对综合风险影响等问题。

为解决上述技术问题，本发明的技术方案为：基于贝叶斯网络和风险矩阵的港口水污染风险评估方法,包括以下步骤：

S1、计算基于贝叶斯网络的港区船舶事故概率；具体为：

S11、识别船舶事故威胁，确定贝叶斯网络节点，并根据贝叶斯网络节点信息确定网络拓扑结构，生成贝叶斯网络；贝叶斯网络节点包括根节点、中间节点和叶节点；船舶事故潜在威胁包括：疲劳、缺乏训练或熟练度不足、船舶类型、船龄、总吨、船舶操作、天气条件、海况、一天中的时间、航道拥堵、信息更新时效性、人为因素、船舶因素、环境因素、管理因素、船舶事故；贝叶斯网络节点信息包括：根节点中的疲劳、缺乏训练或熟练度不足、船舶类型、船龄、总吨、船舶操作、天气条件、海况、一天中的时间、航道拥堵、信息更新时效性；中间节点中的人为因素、船舶因素、环境因素、管理因素；叶节点中的船舶事故；

S12、根据船舶AIS数据、港口的水文数据和气象数据，确定根节点的先验概率，并根据专家经验确定中间节点及叶节点的条件概率表，专家经验来源于专家问卷及已发表文献中的相关数据；

S13、对贝叶斯网络进行正向推理，得到港区船舶事故概率；

S2、建立港口船舶事故后果评价指标体系，根据层次分析法计算得到港区船舶事故后果；

S3、引入模糊风险矩阵，输入港区船舶事故概率和港区船舶事故后果，推断得到港区水域环境污染综合风险指数。

S2具体为：

S21、建立港区船舶事故后果评价指标体系，该体系的决策目标为港区船舶事故后果，该体系的考虑因素包括社会影响、健康影响和经济损失；评价指标具体包括：社会影响中的污染范围、政府声誉；健康影响中的人员伤亡、水质污染；经济损失中的事故损失、应急损失、污染治理；

S22、根据专家经验对评价指标进行评价打分，并根据评价指标及其对应分值建立判断矩阵；

S23、对判断矩阵进行一致性检验，计算各个评价指标的权重，得到港区船舶事故后果。

S3具体为：

S31、以高斯隶属度函数为基础，构造模糊隶属度函数，将港区船舶事故概率和港区船舶事故后果作为输入变量进行模糊化处理；

S32、通过推理算法对输入变量和输出变量进行关联推理，得到综合风险值；推理算法的推理规则按照风险矩阵确定；风险矩阵包括“easy”、“standard”、“hard”三种类型，该矩阵的行和列分别代表事故概率和后果等级，对应元素为综合风险等级；

S33、通过反模糊化算法，将关联推理得到的综合风险模糊数转化为非模糊数，并将得到的非模糊数作为输出变量，即港区水域环境污染综合风险指数。

S12具体为：根据船舶AIS数据、港口的水文数据和气象数据确定对应根节点的先验概率，剩余根节点先验概率通过已发表文献确定；根据专家经验确定中间节点和叶节点条件概率表，即根据专家问卷对节点的概率和状态等级进行判断，等级判断通过三角模糊数转化为最终的条件概率表值；其中，三角模糊数中，第一个数和最后一个数分别代表概率的上限和下限，第二个数为最可能的值。

S22具体为：

根据专家经验对评价指标的重要性进行评价打分，分值范围为1～5分，并根据评价指标及其对应分值建立判断矩阵，判断矩阵表示为：

式中，a

S23中，通过下式对判断矩阵进行一致性检验：

式中，CR为检验系数，

S23中，通过和积法计算各个评价指标的权重，表示为：

式中，w

S32中根据Mamdani推理算法对输入变量和输出变量进行关联推理，其表示为：

式中，f、s分别为论域内给定的频率指数和后果指数值；k为推理规则数；

S32中的推理规则表示为：

if F＝f,and S＝s,then R＝r

式中，F、S、R分别港区船舶事故概率、港区船舶事故后果和港区船舶事故风险的变量等级划分总和，f、s、r分别对应港区船舶事故概率、港区船舶事故后果和港区船舶事故风险的变量等级划分总和中的具体等级。

S33中通过重心法进行反模糊化处理，将关联推理得到的综合风险模糊数转化为非模糊数，其表示为：

通过计算综合风险模糊隶属度函数所围成的不规则图形的重心，表示其对应的非模糊数。

与现有技术相比，本发明的有益效果为：

(1)本发明在贝叶斯网络建立过程中尽可能减少对专家经验的依赖，综合考虑了船舶AIS数据、港口气象和水文数据，并以专家经验作为补充。

(2)本发明通过引入中间节点的方式，在不影响网络推断结果的前提下，大大降低了CPT计算的难度。

(3)本发明选择以贝叶斯网络估算港区船舶事故概率，结合层次分析法估算事故后果；在此基础上通过模糊风险矩阵确定最终的综合风险指数。

(4)本发明在风险评估中引入模糊风险矩阵，有利于解决港口环境污染风险评估中存在的不确定性问题。此外，本发明依据不同风险偏好和成本形式，给出了三种不同风险矩阵，有助于港口决策者依据自身情况做出更合适的判断，保障港口日常运营和风险管控之间的平衡。

附图说明

图1为本发明实施例的流程示意图；

图2为本发明实施例中贝叶斯网络结构及正向推理结果示意图；

图3为本发明实施例中三种不同类型风险矩阵的结构示意图；

图4为本发明实施例中风险矩阵的推理过程示意图；

图5为本发明实施例中的隶属度函数图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。

本发明的技术方案为：一种基于贝叶斯网络和风险矩阵的港口水污染风险评估模型，如图1所示，本发明具体包括以下步骤：

步骤1，计算基于贝叶斯网络的港区船舶事故概率，如图2所示。

进一步的，步骤11中，贝叶斯网络节点来源于历史事故报告、相关研究文献、领域内专家的经验知识等方面。所述网络节点包括：根节点中的疲劳、缺乏训练或熟练度不足、船舶类型、船龄、总吨、船舶操作、天气条件、海况、一天中的时间、航道拥堵、信息更新时效性；中间节点中的人为因素、船舶因素、环境因素、管理因素；叶节点的船舶事故。

进一步的，步骤12中，通过统计一年内船舶AIS、港口水文和气象数据中，各类型船舶比例、船龄等级比例、总吨等级比例、气象良好天数比例、海况良好天数比例能够确定对应根节点的先验概率。剩余部分根节点及中间节点和叶节点，依靠专家经验确定。利用专家经验对到节点的概率和状态等级进行判断。等级判断通过三角模糊数转化为最终的先验概率和条件概率表值。三角模糊数中，第一个数和最后一个数分别代表概率的上限和下限，第二个数为最可能的值。语言变量等级与对应概率数值如表1所示：

表1

进一步的，步骤13利用GeNIe软件进行贝叶斯网络正向推理，得到港区船舶事故概率为0.00696。

步骤2，计算基于层次分析法的港区船舶事故后果

进一步的，步骤21中，事故后果评价指标体系包括社会影响、健康影响、经济损失三大方面。如表2所示，具体包括：社会影响中的污染范围、政府声誉；健康影响中的人员伤亡、水质污染；经济损失中的事故损失、应急损失、污染治理。

表2

进一步的，步骤22中，首先由专家对每个评价指标重要性进行评价，评价按照1-5标度进行，即专家根据自身经验对每个指标进行打分，分值范围为1-5分，如表3所示，

表3

式中：a

进一步的，步骤23中，对判断矩阵进行一致性检验依赖于下式：

式中：

进一步的，步骤23中，各个指标权重由和积法确定：

式中：w

一致性检验结果及指标权重如表4所示：

表4

步骤3，计算基于模糊风险矩阵的港区水域环境污染综合风险

进一步的，步骤31中，如图5所示，隶属度函数以高斯隶属度函数为基础，对于事故概率、事故后果、综合风险的等级划分及每个等级对应的隶属度函数如表5所示：

表5

进一步的，步骤31中，事故概率输入前需要进行对数运算，即取以10为底的对数作为最终的输入变量。最终的输入值为P＝-2.157，C＝3.304。

进一步的，步骤32中，三种不同类型的风险矩阵如图3所示。以标准型为例，其推理规则一共包括7*5＝35条，可以表示为

“If P＝Remote,and C＝Negligible,then R＝Acceptable”；

……

“If P＝Low,and C＝High,then R＝Tolerable Unacceptable”；

……

“If P＝Very High,and C＝Catastrophic,then R＝Unacceptable”；

进一步的，步骤32中，Mamdani推理算法计算公式如下：

式中：f、s分别为论域内给定的频率指数和后果指数值；k为推理规则数；

进一步的，步骤33中，反模糊化算法用于将经过推理得到的综合风险模糊隶属度函数μ

通过计算综合风险模糊隶属度函数μ

表6

本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。